Harness大战

11月7日，微软公开了一份技术白皮书，主题是Agent执行系统。里面有一组结果挺让人意外：用的同样是Claude Opus 4.8，仅把Copilot Studio底层的Harness替换掉，复杂任务的通过率就涨了22.1个百分点。新系统在每项任务上调用模型的次数差不多翻了一倍，可折算下来，输入Token消耗反而少了21%。

往前推十天，微软才刚说过，要把统一的Copilot Harness铺到旗下多款产品上，同时借云平台把托管服务卖给开发者。

11月5日，月之暗面刚刚发布KimiHosted Agents（托管智能体），正式提出Harness as a Service。8月，DeepSeek把自己的Harness开源了；OpenAI、Anthropic动手更早，早把内部运行系统做成了开发者能调用的服务。

大模型背后那套“运行系统”，正被模型公司当成关键角色。

图片由AI生成

01 抢滩Harness

Harness可以理解成围绕大模型搭起来的一套Agent运行系统。模型靠它调用外部工具、连续执行多步骤任务，再依据执行结果调整后面的动作。遇到要跑很久的Agent，Harness还管着任务状态的保存，中断之后工作能接着往下做。

它和AI应用不在一个层面上。比如Claude Code、WorkBuddy这类产品是直接面向用户的，底层的Harness则能被不同应用反复使用，也能当作独立服务卖给开发者。Agent揽下的活越来越复杂，Harness对任务成功率、执行效率、运行成本的影响也就越来越大。

在模型公司里，Anthropic算早一批投研发力做Harness的，初衷是解决Claude Code跑长时间编程任务时碰上的麻烦。

2025年底，Anthropic发现，Claude的上下文窗口一耗尽，新一轮对话常常接不上先前的工作。工程师随后改进了Claude Code背后的Harness：让Agent在每个阶段收尾前把进度存下来，下一轮再读这些记录，把没做完的任务继续下去。这样一来，一次模型会话结束了，整个编程任务照样能往前推。

今年4月，Anthropic又推出Managed Agents，把这套Agent运行能力以云端服务的形式交给开发者。为了企业能长期、稳定地跑Agent，Anthropic还动了底层架构：Harness负责推进任务，历史记录可以单独存，AI运行程序的沙箱也能随时换掉。沙箱出了故障，Agent仍能恢复之前的工作。

从Claude Code内部的运行系统，到面向外部开发者的托管服务，Anthropic把攒了多年的harness能力做成了独立产品。

OpenAI同样选择把Codex背后的Harness开放给更多开发者。今年2月，OpenAI透露，Codex网页版、命令行和IDE插件其实共用同一套Agent运行系统。到了8月，Codex被进一步定位为开放的Harness平台，第三方应用可以直接接入。9月推出的Agents API，这套系统由OpenAI托管和维护，开发者能直接接入Agent的运行环境。

走这条路，OpenAI既能用Codex直接服务用户，也能把底层执行能力交给其他软件公司。开发者保留自己的产品界面和业务流程，具体任务让Codex在背后完成。 DeepSeek则在8月13日以MIT协议把Harness全部框架代码开放出来，提出“Everything is a Plugin”，几乎把整个Agent运行系统拆成了能自由拼装的插件。开发者不光能换模型和外部工具，还能改Agent调用模型、执行任务的方式，甚至让Agent自己写插件、自己装插件。

这套基于Cordis的架构，想的是让开发者不用从头搭运行系统，就能按自己的需要开发不同类型的Agent。

11月5日，Kimi官宣Hosted Agents提供全天候云端环境，企业可以把Agent放进内部系统，也能嵌进对外销售的产品，并明确提出Harness as a service。

02 Harness进化

Harness这一轮走热，其实不是从模型公司起的头。

年初OpenClaw火起来的时候，行业已经看到一个信号：手里没有基础模型的公司，照样能靠一套Agent运行系统圈住大批用户。到了2月，OpenAI把OpenClaw创始人Peter Steinberger招了进来，让他参与下一代个人Agent的研发。

接着Nous Research拿出Hermes Agent，思路是让Agent把干活过程中攒下的经验存成可复用的Skills，后面的任务里接着用、接着改。

3月底，斯坦福大学等机构提出Meta-Harness：让AI照着失败记录直接去改Harness代码，改完再用测试验效果。一项文本分类实验里，准确率涨了7.7%，上下文Token消耗降到原来的四分之一。

这些尝试为什么值得模型公司砸人砸钱？10月新加坡南洋理工大学测了66种模型与Harness的组合，结论是换个Harness，模型之间的性能排名都可能被改写。

FrontierHarness Eval那边也发现了类似情况：同一个KimiK3，跑Codex的任务通过率是66.7%；换成WorkBuddyCreator，掉到63.3%；再用KimiCode，只有56.7%。

对基础模型公司而言，想把模型表现做上去，光改模型本身已经不够，Harness的设计和调优正变得越来越关键。

研究者还在想办法把Harness攒下的经验反哺到模型训练里。7月提出的Co-Harness，先用失败记录把Harness改好，再拿优化后的执行数据去训模型。11月公布的HarnessFlow走的是自动搜索更优Harness设计的路子，六类任务的平均成绩提高了10.89个百分点。

但自动优化不是没有代价。11月初的一项研究发现，特定实验里，一个Harness针对新任务优化之后，原本在SWE-bench上的成绩从94%掉到32%。模型一升级，先前好用的设计也可能直接失效。

也就是说，Harness的技术积累很难做一次就管到底。怎么在持续改进的同时保住不同任务上的稳定性，这道题目前还没人解开。

有行业人士提到，这正是部署开源模型时的一大痛点。模型公司因此已经开始卖Harness服务：开源框架本身免费拿，可企业要想让Agent长期稳定跑下去，部署和维护的钱还是得自己掏。Kimi、Anthropic这些公司看准了接手这部分活的机会，把Harness做成一门独立生意。不过各家打法差别不小。

03 Harness的隐藏价值

Harness已经能单独收费了，可眼下的价目表说明，钱的大头依旧来自模型推理。

Anthropic的Managed Agents按每活跃会话小时收0.08美元，Token另算。按官方公布的一小时编程任务示例，总费用0.58美元，托管运行费只占约14%。 Kimi的收费拆成模型Token、沙箱运行和付费插件三块。它公布的一次投行法律分析任务，估算成本约30元，其中沙箱费用不到0.1元。OpenAI在Agents API公测期间不收额外服务费，主要按模型和工具的使用量结算。DeepSeek则把Harness以MIT协议开源，本身没有直接收费的打算。

这样看下来，模型公司现阶段从Harness上拿到的直接收入，可能少得可以忽略。

既然如此，模型公司为何还肯往Harness上砸大量研发资源？

一个关键原因在于，企业把Agent真正用起来以后，对Harness的依赖往往比对某一款具体模型更持久。

美国法律服务公司ABC Legal早先把Agent装进员工电脑，靠定时任务跑。用的人多了，CTO Brandon Fuller开始物色能把这些Agent统一管起来的平台。他对比过好几个方案，最后选了Anthropic的Managed Agents，原因就是企业不想再维护那些分散的运行环境。

Anthropic披露的数据显示，ABC Legal只用一个月就把50多个Agent投入生产，约310名员工平时都在用Claude。员工不用懂软件开发，配置一下就能建出新的Agent。

说白了，托管Harness的吸引力来自企业实打实的需求。自己从零搭建部署、长期维护运行系统，不如直接买现成服务，把工程资源挪回自己的业务上。

不过，企业未必愿意为此被一家模型公司拴住。

今年8月，VentureBeat公布了一项覆盖107家企业的调查。其中85%的受访企业同时用着两套或更多Agent编排平台。挑平台时，29%的企业最看重模型与工具的灵活性，把与某个领先模型的原生适配放在首位的只有10%。样本虽然偏大型科技企业，但已经透出一种采购倾向：客户想留住换模型的自由。

这就给Harness竞争提供了另一套商业逻辑。企业若愿意长期用一套运行系统，提供商即使拿不到模型调用的独占权，也可能持续赚到托管、维护和企业开发服务的钱，还能跟客户处成更稳的关系。

这样一来，Harness就能碰到企业实际工作的执行过程。跟单纯的模型API比，Harness能记下一项任务从开始到完成的完整轨迹，包括模型调用、工具执行、失败重试和最终结果。这些记录既帮企业排查故障，也给模型研发带回有价值的反馈。

如果能持续拿到经过验证的真实任务反馈，模型公司就有机会更快发现模型在生产环境里出的问题。当然，这层优势也要受数据权利的明确约束。

新问题也随之而来：企业既能自由更换底层模型，又坚持把自己的数据攥在手里，Harness还能攒下多大的长期优势？

在模型公司眼里，Harness带来的价值可能比直接收费更长远。当企业把越来越多的活交给Agent，谁能提供可靠的运行系统，谁就有机会左右模型的选择，以及AI以何种方式参与真实业务。

一个熟悉又老套的词：入口。

可这个在互联网时代扎下根的词，总会触动AI时代竞争的敏感神经。眼下，Harness在某种程度上就承载着这份期待和想象。